1894: Aleksandr Khinchin föds

Den 19 juli 1894 föddes Aleksandr Jakovlevitj Khinchin i Kondrovo i Kalugaregionen i det ryska kejsardömet. Under en levnadsbana präglad av revolution och krig blev han en av huvudarkitekterna bakom den moderna sannolikhetsteorin. De begrepp han var med och gjorde precisa—stora talens lag, stationära processer och entropi—vandrade senare, nästan obemärkt, in i grunderna för maskininlärning och artificiell intelligens.

I nära samarbete med Andrej Kolmogorov under 1920- och 1930-talen levererade Khinchin rigorösa bevis som förvandlade sannolikhetsläran från en samling smarta knep till en sammanhängande matematisk disciplin. Han angav vida villkor under vilka stora talens lag gäller och bevisade lagen om den itererade logaritmen, som beskriver hur slumpmässiga fluktuationer växer i fin skala. Han lade också grunden för teorin om stationära stokastiska processer—modeller av signaler vars statistiska karaktär inte förändras med tiden. Dessa idéer gav ingenjörer ett språk för brus, osäkerhet och långsiktiga medelvärden.

Khinchins inflytande nådde även informationsteorin. 1953 publicerade han en axiomatisk karaktärisering som visar att Shannons entropi i allt väsentligt är det enda mått som uppfyller en kort lista av naturliga egenskaper. Samma entropifunktion återkommer överallt i dagens AI: som det korsentropifelmått som tränar neuronnät, som delningskriterium i beslutsträd och inuti de variationella målfunktionerna för generativa modeller.

Vägen från Khinchins satser till dagens system är indirekt men omisskännlig. Tidig artificiell intelligens vilade tungt på logik och symboliska regler. Från 1980-talet och framåt tog statistiska metoder överhanden just därför att de kunde hantera verkliga datas rörighet. Varje gång en praktiker åberopar en koncentrationsolikhet, samplar en Markovkedja eller minimerar en Kullback–Leibler-divergens, används den intellektuella mark som Khinchin och hans samtid röjde.

Till och med vardagsspråket avslöjar skulden. Termer som stationaritet, ergodicitet och entropitakt vandrade från den sannolikhetslitteratur han var med och skapade in i maskininlärningsforskarnas arbetsspråk. På denna dag uppmärksammar vi därför inte en bländande robotdemonstration, utan födelsen av en matematiker vars krav på stringens i tysthet rustade senare generationer att bygga system som lär sig under osäkerhet—det centrala villkoret för modern AI.